Gepresenteerd door EdgeVerve
Voordat we het hebben over Global Business Services (GBS), moeten we even een stapje terug doen. Kan agent AI, het soort AI dat doelgerichte acties kan ondernemen, niet alleen GBS transformeren, maar elk type onderneming? En heeft hij het al gedaan?
Zoals bij veel nieuwe technologieën is de retoriek in dit geval het tempo van de implementatie voorbijgestreefd. Hoewel 2025 “het jaar van de kunstmatige intelligentie had moeten zijn”, was dat volgens Taryn Plumb, redacteur bij VentureBeat, niet het geval. Op basis van de bijdrage van Google Cloud en het bedrijf Replit dat zich bezighoudt met geïntegreerde ontwikkelomgevingen (IDE’s), rapporteerde Plumb in a December 2025 Post op VentureBeat dat wat er ontbreekt, de fundamenten zijn die nodig zijn om te groeien.
Gezien de ervaring met generatieve kunstmatige intelligentie (gen) gebaseerd op het Large Language Model (LLM) is dit resultaat niet verrassend. Uit een onderzoek uitgevoerd in februari 2025 Summit over Shared Services en Outsourcing Network (SSON).65% van de GBS-organisaties antwoordde dat ze een GenAI-project nog moeten voltooien. Het is veilig om te zeggen dat de recentere adoptie van agent-gebaseerde AI nog in de kinderschoenen staat voor bedrijven, inclusief GBS.
De rol van agent AI in de mondiale zakelijke dienstverlening
Er zijn echter goede redenen om ons te concentreren op het enorme potentieel van agent AI en de toepassing ervan in de ABS-sector.
Ontdaan van alle hype ontsluit de AI van Agentic mogelijkheden in de orkestratielaag van softwareworkflows die voorheen onpraktisch waren. Het doet dit via een aantal technieken, waaronder (maar niet verplichte) LLM’s. Hoewel bedrijven inderdaad een aantal fundamentele zaken missen die nodig zijn om AI op grote schaal te implementeren, liggen deze vereisten niet buiten bereik.
Wat GBS en Global Capability Center (GCC) betreft, deze hebben al een make-over ondergaan en zijn getransformeerd van backoffice-uitbreidingen naar steeds strategischere zakenpartners. Agentic AI is een natuurlijke oplossing omdat een van de standaardgebruiksscenario’s betrekking heeft op IT-operaties of klantenserviceagenten, mogelijkheden die al zijn opgenomen in het bestaande GBS- en GCC-stuurhuis.
Dus ja, AI zou de GBS-industrie potentieel kunnen transformeren. Marktleiders kunnen het beste in de richting van grootschalige implementatie gaan door een methodische aanpak te volgen.
Vijf stappen voor het implementeren van agent-AI in GBS
Agentic AI is niet het enige spel in de stad. Zoals opgemerkt is er GenAI, dat voornamelijk wordt gebruikt voor het maken van inhoud. Maar als je het veld verbreedt, kun je je ook richten op voorspellende AI en documentaire AI, die respectievelijk worden gebruikt voor voorspellingen en data-extractie. (Voor geen van beide is een LLM vereist.) Blootstelling aan reeds bestaande AI is een goed voorteken voor de toekomst van agent-AI.
Ten eerste ondersteunen deze typen AI elkaar, gestapeld (in plaats van geïsoleerd) in moderne systemen. Vooral Agentic AI is gepositioneerd om anderen aan te boren. Ten tweede kunnen leiders in de industrie, nadat ze de GenAI-hypecyclus hebben meegemaakt, geneigd zijn om een meer afgemeten – en productieve – benadering van agent-AI te hanteren.
In plaats van overhaast een proefproject uit te voeren, zou de sector er goed aan doen zich zorgvuldig voor te bereiden (stappen 1-3). In combinatie met het juiste testontwerp (fase 4) kunnen deze acties de weg vrijmaken voor een grootschalige implementatie van AI met agents (fase 5):
Ken uw processen. Bedrijfsvoering kan ingewikkeld zijn. Neem een toonaangevend wereldwijd transport- en logistiekbedrijf waarvan de duizenden fulltime medewerkers in de zeven GBS-centra meer dan 80 processen ondersteunden met zeer complexe, handmatig intensieve workflows met grote regionale verschillen. Alleen door eerst bestaande processen en workflows te begrijpen, heeft een organisatie als deze het vermogen om deze te heroverwegen of te herwerken.
Ken uw gegevens. Nauw verwant zijn de gegevens waarvan workflows afhankelijk zijn. Hoe circuleren deze gegevens van de ene kant naar de andere? Hoe zijn de kanalen? Waar zijn de belangrijkste API’s? Zijn de gegevens gestructureerd of ongestructureerd? Bevatten de bronnen dataplatforms (registratiesystemen) en vectordatabases (contextengines), die beide nodig zijn voor AI-agenten om goede beslissingen te nemen? Welk soort gegevensbeheer en -beveiliging zijn de boventoon? Hoe zouden ze kunnen veranderen in een AI-scenario met agenten?
Identificeer het probleem. In het geval van de bovengenoemde rederij stelden de complexiteit en variatie van de workflows, evenals de handmatige intensiteit ervan, het bedrijf bloot aan aanzienlijke kosten, wanbetalingen in Service Level Agreements (SLA’s), slechte klantervaring en grotere compliance- en juridische risico’s. Eenmaal benoemd, wordt een probleem logischerwijs een potentiële use-case met verschillende doelen.
Test een operationeel model. Opties omvatten onder meer consolidatie van de inspanningen in een Centre of Excellence (COE), democratisering van de ontwikkeling door middel van door burgers geleide benaderingen en partnerschap via BOTT-modellen (Build-Operate-Transform-Transform-Transfer). Zonder structurele duidelijkheid zijn zelfs de meest veelbelovende AI-pilots moeilijk uit te breiden buiten hun oorspronkelijke domein. Het model moet ook de werkelijkheid weerspiegelen. Er zijn waarschijnlijk meerdere parallelle agenten betrokken bij het nastreven van gecoördineerde doelen, maar agentische AI wordt nog steeds beperkt door omgeving, complexiteit, risico en bestuur.
Verhoog het debiet. Succesvolle piloten bepalen zelf hun volgende stappen. Neem de gefragmenteerde ervaring van een grote multinationale bank in Australië. Na het automatiseren van verschillende niet-kernprocessen via Automation COE, realiseerde de bank zich dat ze complexere workflows moest analyseren en verbeteren. Ze selecteerde een uitzonderlijk softwareplatform waarmee ze in minder dan 14 maanden meer dan 100 ontdekkingsprojecten kon voltooien. Pilotprojecten kunnen dan uitgroeien tot bedrijfsbrede initiatieven.
Hoe agent-AI eruit ziet op ondernemingsschaal
Alleen schaalgrootte kan een echte impact maken. De rederij, met zijn zeven GBS-centra, beschikte uiteindelijk over technologie die datapijplijnen kan creëren, complexe documenten kan digitaliseren, op regels gebaseerde redeneringen kan toepassen op basis van landspecifieke uitzonderingen, en het werk tussen teams kan orkestreren. Deze basis heeft geleid tot een AI-gerichte transformatie van ongeveer 16 initiatieven, exponentiële groei in automatisering en aanzienlijke efficiëntiewinsten.
Door gebruik te maken van mogelijkheden op orkestratieniveau, waardoor contextuele perceptie, samenwerking tussen domeinen en autonome actie in lijn met governance mogelijk worden gemaakt, kan agent AI zowel AI als menselijke activiteiten verbeteren.
Laten we een inkoopproces overwegen. Hoewel document-AI gegevens uit inkooporders kan extraheren, waardoor enkele handmatige controles worden vermeden, kan een AI-agent ook leveranciersrisico’s beoordelen, nalevingsnormen vergelijken, de beschikbaarheid van budgetten controleren en zelfs een onderhandeling starten, terwijl hij auditlogboeken bijhoudt voor rapportage over de regelgeving. In een financieel adviesscenario kan een AI-agent, terwijl voorspellende AI trends kan analyseren, aanvullende acties ondernemen en professionals van bepaalde bedrijfseenheden helpen bij gerichte strategische investeringen.
Houd er rekening mee dat de agent het menselijk oordeel niet vervangt, maar dit uitbreidt, zodat beslissingen sneller, consistenter en op grotere schaal worden genomen.
Van autonome automatisering tot agent-ecosystemen in GBS
GBS bevindt zich in een unieke positie om het bedrijf naar het tijdperk van agent AI te leiden. Door zijn ontwerp bevindt GBS zich op het kruispunt van processen en gegevens van meerdere bedrijfseenheden. Financiën, HR, supply chain en IT komen allemaal samen via het shared services-model. Dit centrale uitkijkpunt maakt GBS tot een ideaal lanceerplatform voor het bouwen van agentische AI-ecosystemen.
Een ecosysteem is iets anders dan autonome automatisering. Agenten voeren taken niet geïsoleerd uit. In plaats daarvan functioneren ze als onderdeel van een onderling verbonden systeem. Ze delen inzichten, leren van elkaar en coördineren om bedrijfsbrede resultaten te optimaliseren. Ingezet binnen een GBS of GCC kan de AI van Agentic de voortdurende transformatie versnellen, waardoor ze verder kunnen gaan dan incrementele automatisering en kunnen opereren op een end-to-end procesorkestratieniveau.
N. Shashidar is senior vice-president en mondiaal hoofd productmanagement bij EdgeVerve.
Gesponsorde artikelen zijn inhoud die is geproduceerd door een bedrijf dat voor de post betaalt of een zakelijke relatie heeft met VentureBeat en die altijd duidelijk gemarkeerd is. Voor meer informatie kunt u contact opnemen met sales@venturebeat.com.
